Cartographie des systèmes agricoles du Sud Mali à l’échelle villageoise

En appliquant le modèle sur la base de données des 4000 villages du Sud Mali fournie par l’IER, la cartographie des systèmes agricoles résultante distingue les principales zones d’agriculture (Figure 27):

- Le Sud de la zone soudano-sahélienne (zone 4), autour de Tominian et Ségou, où la classe A prédomine. En effet, le sorgho et le mil sont des variétés résistantes à la sécheresse, avec un cycle court de 90 jours (Kouressy et al., 2008), adaptées à cette zone climatique.

- Dans le vieux bassin cotonnier, autour de Koutiala (zone 3), les systèmes agricoles sont centrés sur la production de coton (classe B). Cette zone évolue et présente aussi des villages de classe C, suite à la crise du coton.

- Les zones soudaniennes et soudano-guinéennes (zones 1 et 2) sont aussi basées sur le système cotonnier, mais considérées comme plus diversifiées, en particulier autour de Sikasso

(Soumare et al., 2008), avec la présence de villages de classe B et C. Ceci peut s’expliquer par une saison des pluies plus longues, qui offre un plus large choix d’espèces et de variétés.

Figure 27 : Cartographie des systèmes agricoles du Sud Mali à l’échelle villageoise (buffers de 5 km autour de chaque village, BD villageoise IER).

3. Discussions

Nous avons développé une méthode permettant la cartographie des principaux systèmes agricoles du Mali à partir d’imagerie MODIS à 250 m de résolution spatiale et de données de terrain. La cartographie des types de systèmes agricoles a nécessité un premier travail de typologie effectué à partir de l’analyse d’une BD d’enquêtes de terrain de l’IER sur 100 villages. Trois types de systèmes agricoles ont pu être déterminés à l’échelle du village : à dominante de céréales (mil, sorgho), à dominante de cultures intensives telles que le maïs et le coton, et mélange de sorgho et de coton. La méthode de caractérisation de ces surfaces cultivées a ensuite déterminé des liens entre le type de système agricole et les indicateurs spectraux, spatiaux et temporels de télédétection, à l’échelle du village. Le modèle Random Forest, à partir des données d’apprentissage sur les 100 villages, a fourni une bonne prédiction du type de systèmes agricoles avec une précision globale estimée de 60% sur 4000 villages du Sud Mali. Cette relativement bonne précision confirme notre hypothèse de départ, à savoir qu’un système agricole se caractérise à la fois par des variables spectrales, spatiales et temporelles spécifiques, et qu’il est possible de les distinguer à partir d’imagerie MODIS à moyenne résolution spatiale. Nous pensons que les 40% d’erreurs sont dus : i) au faible jeu de données de 100 villages seulement, ii) aux enquêtes IER/CMDT qui ont été menées dans d’autres objectifs que le

notre, iii) aux données des enquêtes qui datent de plus de 5 ans et iv) à la typologie de « système agricole majoritaire » par village.

Nous avons également noté d’importantes confusions entre les classes B et C. Ceci peut s’expliquer par les ressemblances de ces deux classes : elles contiennent toutes deux du maïs et du coton, dans différentes proportions mais avec des pratiques agricoles similaires, de par la fertilisation favorisée par la culture du coton. De plus, les agriculteurs maliens faisant face actuellement à une crise du coton, les pratiques agricoles deviennent moins intensives et les villages évoluent souvent de la classe B vers la classe C (Belieres et al., 2009).

Ces résultats confirment la pertinence de l’utilisation des Random Forest, car, en plus de sa facilité d'utilisation (deux paramètres à fixer), il accepte des échantillons de petite taille et autorise les variables corrélées (la plupart des métriques utilisées dans cette étude étaient corrélées).

Dans un second temps, nous avons étudié la contribution des grands groupes de variables utilisés pour la classification des systèmes agricoles, à savoir les indicateurs de NDVI, de texture, de fragmentation et de la phénologie. La contribution des indicateurs dans le classement des systèmes agricoles peut s’expliquer par la nature des classes définies. La classe A représente la classe de cultures vivrières, avec une saison des cultures courte et un choix limité d’espèces (mil ou sorgho). Cette classe a une phénologie plus distincte que les classes B et C réunies. C’est pour cela que les variables phénologiques ont aidé à la distinction des villages de classe A. Prenons également l’exemple de la texture, qui semble aider à la distinction des villages de classes A et C. L’hypothèse avancée est que la classe A et la classe C présentent une couverture du sol hétérogène, avec du sol nu entre les champs pour la classe A (zone sèche) et de la végétation naturelle pour la classe C, et donc des ruptures abruptes dans la texture des paysages agricoles, contrairement à la classe B, qui contient des cultures intensifiées et donc une couverture supposée plus homogène. Ces résultats sur la texture à moyenne résolution spatiale sont à valider.

Pour conclure, la carte des principaux systèmes agricoles (cultures vivrières, cultures intensives et agriculture mixte) produite dans cette étude est importante car elle est une source originale et indépendante d'information pour le Sud du Mali. Parce que les facteurs locaux comme le climat, le sol, la disponibilité en eau, l'accès aux marchés et aux engrais, influence les systèmes agricoles, la cartographie de ces systèmes peut aider à déterminer quelle région et quelle population peuvent être vulnérables à différents risques. Il est alors essentiel de localiser ces systèmes afin de procéder à une analyse précise de l’état de la sécurité alimentaire. En termes de prévisions de rendement, des cartes de systèmes agricoles peuvent être utiles dans la modélisation agro- météorologique, en réduisant le nombre de conditions initiales (les scénarios d’espèces cultivées et des pratiques d'intensification sont fixés). L'identification des principaux systèmes agricoles peut ainsi permettre d'assurer le forçage précis des paramètres de cultures concernées dans un modèle de rendement (Doraiswamy et al., 2005).